CN110598704B - 基于深度学习的车牌识别无感支付系统 - Google Patents

基于深度学习的车牌识别无感支付系统 Download PDF

Info

Publication number
CN110598704B
CN110598704B CN201910915156.5A CN201910915156A CN110598704B CN 110598704 B CN110598704 B CN 110598704B CN 201910915156 A CN201910915156 A CN 201910915156A CN 110598704 B CN110598704 B CN 110598704B
Authority
CN
China
Prior art keywords
license plate
image
module
characteristic
target
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910915156.5A
Other languages
English (en)
Other versions
CN110598704A (zh
Inventor
焦勇
王超
郭垒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Telecom Wanwei Information Technology Co Ltd
Original Assignee
China Telecom Wanwei Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Telecom Wanwei Information Technology Co Ltd filed Critical China Telecom Wanwei Information Technology Co Ltd
Priority to CN201910915156.5A priority Critical patent/CN110598704B/zh
Publication of CN110598704A publication Critical patent/CN110598704A/zh
Application granted granted Critical
Publication of CN110598704B publication Critical patent/CN110598704B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q20/00—Payment architectures, schemes or protocols
    • G06Q20/08—Payment architectures
    • G06Q20/14—Payment architectures specially adapted for billing systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/24—Aligning, centring, orientation detection or correction of the image
    • G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Accounting & Taxation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Finance (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Character Discrimination (AREA)
  • Image Analysis (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了基于深度学习的车牌识别无感支付系统，用于通过预置神经网络对车牌进行识别并结合第三方支付系统进行无感支付，提高了识别准确率，减少车辆的停留时长。包括：车牌高清图像采集模块、图像预处理模块、车牌检测模块、特征融合模块、车牌特征信息识别模块、识别结果存储模块、第三方支付模块和信息推送模块；车牌高清图像采集模块，用于在道路闸口或车辆管理出入口处获取高清摄像机采集到的原始车牌图像；图像预处理模块，用于从原始车牌图像中筛选出符合要求的目标车牌图像；车牌检测模块，用于提取目标车牌图像的颜色特征图像和字符特征图像；特征融合模块，用于将颜色特征图像和字符特征图像融合为目标车牌的特征信息图像。

Description

基于深度学习的车牌识别无感支付系统
技术领域
本发明涉及深度学习领域，尤其涉及到一种基于深度学习的车牌识别无感支付系统。
背景技术
车辆的智能化管理已成为一个普遍的社会化问题，而车牌的检测和识别是车辆智能化管理的主要部分之一，为了有效自动化管理车辆进出停车场、小区和其他场所，需要对车辆的车牌进行识别并记录。
目前车牌检测和识别技术已趋于成熟，也取得较好的效果，但大多数识别方式都是基于单特征进行分析，在复杂的场景下，对不同规格的车牌的识别存在误差，准确率低。
发明内容
本发明提供了基于深度学习的车牌识别无感支付系统，用于通过预置神经网络对车牌进行识别并结合第三方支付系统进行无感支付，提高了识别准确率，减少车辆的停留时长。
本发明实施例的第一方面提供基于深度学习的车牌识别无感支付系统，包括：车牌高清图像采集模块、图像预处理模块、车牌检测模块、特征融合模块、车牌特征信息识别模块、识别结果存储模块、第三方支付模块和信息推送模块；其中，所述车牌高清图像采集模块，用于在道路闸口或车辆管理出入口处获取高清摄像机采集到的原始车牌图像；所述图像预处理模块，用于从所述原始车牌图像中筛选出符合要求的目标车牌图像；所述车牌检测模块，用于提取所述目标车牌图像的颜色特征图像和字符特征图像；所述特征融合模块，用于将所述颜色特征图像和所述字符特征图像融合为所述目标车牌的特征信息图像；所述车牌特征信息识别模块，用于对所述目标车牌的特征信息图像进行识别，并生成识别结果；所述识别结果存储模块，用于存储所述识别结果；所述第三方支付模块，用于根据所述识别结果计算所述目标车牌的缴费金额，并进行无感支付的扣费操作；所述信息推送模块，用于根据所述缴费金额生成对应的扣费短信，并将所述扣费短信推送给所述目标车牌的车主。
可选的，在本发明实施例第一方面的第一种实现方式中，所述车牌高清图像采集模块具体用于：对高清摄像机抓拍到的非车牌图像和倾斜角度较大、污染严重的车牌图像进行清洗，得到所述原始车牌图像。
可选的，在本发明实施例第一方面的第二种实现方式中，所述图像预处理模块包括矫正子模块和去噪子模块；所述矫正子模块，用于对所述原始车牌图像中倾斜车牌进行矫正，得到矫正后的车牌图像；所述去噪子模块，用于对所述矫正后的车牌图像中的噪声进行去除。
可选的，在本发明实施例第一方面的第三种实现方式中，所述车牌检测模块包括第一提取子模块和第二提取子模块，所述第一提取子模块用于提取所述目标车牌图像的颜色特征图像，所述第二提取子模块用于提取所述目标车牌图像的字符特征图像。
可选的，在本发明实施例第一方面的第四种实现方式中，所述第一提取子模块具体用于：将所述目标车牌图像的红绿蓝RGB图像转化为色调饱和度明度HSV图像；对所述HSV图像进行二值化处理，得到二值化图像；对所述二值化图像中的空洞区域进行模糊操作，生成闭合的图像；基于目标车牌的长宽比特征和面积特征对所述闭合的图像进行筛选，生成所述目标车牌图像的颜色特征图像。
可选的，在本发明实施例第一方面的第五种实现方式中，所述第一提取子模块具体用于：将所述目标车牌图像的红绿蓝RGB图像转化为色调饱和度明度HSV图像；对所述HSV图像进行二值化处理，得到二值化图像；对所述二值化图像中的空洞区域进行模糊操作，生成闭合的图像；基于目标车牌的长宽比特征和面积特征对所述闭合的图像进行筛选，生成所述目标车牌图像的颜色特征图像。
可选的，在本发明实施例第一方面的第六种实现方式中，所述特征融合模块具体还用于：将所述颜色特征图像确定为背景图像，将所述字符特征图像确定为前景图像；通过特征融合器将所述背景图像和所述前景图像按照预置顺序进行特征融合，生成所述目标车牌的特征信息图像。
可选的，在本发明实施例第一方面的第七种实现方式中，所述车牌特征信息识别模块具体用于：将所述目标车牌的特征信息图像输入到改进的残差(residual network，ResNet)神经网络模型；通过所述改进的残差ResNet神经网络模型对所述目标车牌的特征信息图像进行识别，所述改进的残差ResNet神经网络模型用于减少梯度消失和梯度爆炸；生成识别结果，所述识别结果包括车牌号、车牌类型和车牌颜色。
可选的，在本发明实施例第一方面的第八种实现方式中，所述第三方支付模块，还用于将车牌号码和对应的第三方支付账号进行绑定，并且授权所述第三方支付账号的支付权限。
可选的，在本发明实施例第一方面的第九种实现方式中，所述信息推送模块，还用于通过所述第三方支付账号向所述目标车牌的车主推送扣费信息。
本发明实施例提供的技术方案中，提供了基于深度学习的车牌识别无感支付系统包括：车牌高清图像采集模块、图像预处理模块、车牌检测模块、特征融合模块、车牌特征信息识别模块、识别结果存储模块、第三方支付模块和信息推送模块；其中，车牌高清图像采集模块，用于在道路闸口或车辆管理出入口处获取高清摄像机采集到的原始车牌图像；图像预处理模块，用于从原始车牌图像中筛选出符合要求的目标车牌图像；车牌检测模块，用于提取目标车牌图像的颜色特征图像和字符特征图像；特征融合模块，用于将颜色特征图像和字符特征图像融合为目标车牌的特征信息图像；车牌特征信息识别模块，用于对目标车牌的特征信息图像进行识别，并生成识别结果；识别结果存储模块，用于存储识别结果；第三方支付模块，用于根据识别结果计算目标车牌的缴费金额，并进行无感支付的扣费操作；信息推送模块，用于根据缴费金额生成对应的扣费短信，并将扣费短信推送给目标车牌的车主。本发明实施例，通过预置神经网络对车牌进行识别并结合第三方支付系统进行无感支付，提高了识别准确率，减少车辆的停留时长。
附图说明
图1为本发明实施例中基于深度学习的车牌识别无感支付系统的一个实施例示意图；
图2为本发明实施例中基于深度学习的车牌识别无感支付系统的另一个实施例示意图；
图3为本发明实施例中基于深度学习的车牌识别无感支付系统的另一个实施例示意图。
具体实施方式
本发明提供了基于深度学习的车牌识别无感支付系统，用于通过预置神经网络对车牌进行识别并结合第三方支付系统进行无感支付，提高了识别准确率，减少车辆的停留时长。
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例进行描述。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1，本发明实施例提供的基于深度学习的车牌识别无感支付系统，具体包括：
车牌高清图像采集模块、图像预处理模块、车牌检测模块、特征融合模块、车牌特征信息识别模块、识别结果存储模块、第三方支付模块和信息推送模块；
其中，所述车牌高清图像采集模块，用于在道路闸口或车辆管理出入口处获取高清摄像机采集到的原始车牌图像；
所述图像预处理模块，用于从所述原始车牌图像中筛选出符合要求的目标车牌图像；
所述车牌检测模块，用于提取所述目标车牌图像的颜色特征图像和字符特征图像；
所述特征融合模块，用于将所述颜色特征图像和所述字符特征图像融合为所述目标车牌的特征信息图像；
所述车牌特征信息识别模块，用于对所述目标车牌的特征信息图像进行识别，并生成识别结果；
所述识别结果存储模块，用于存储所述识别结果；
所述第三方支付模块，用于根据所述识别结果计算所述目标车牌的缴费金额，并进行无感支付的扣费操作；
所述信息推送模块，用于根据所述缴费金额生成对应的扣费短信，并将所述扣费短信推送给所述目标车牌的车主。
例如，基于深度学习的车牌识别无感支付系统在闸道口或车辆出入管理口安装高清网络摄像机实时抓拍原始车牌图像；首先对抓拍的原始车牌图像进行预处理，对倾斜角度较大的图片进行角度矫正和噪声去除，得到符合要求的目标车牌图像；然后基于颜色特征和字符特征对目标车牌图像进行检测和定位，提取出车牌的背景颜色信息和前景字符特征，并通过特征融合模块对上述提取的背景颜色特征信息和字符特征信息进行融合，得到完整的目标车牌的特征信息图像，并将特征信息图像存储到车牌特征信息存储模块中；最后通过改进的ResNet神经网络对融合后的特征信息图像进行车牌识别，并输出识别结果，同时调用第三方支付系统接口完成无感支付。
本发明实施例，通过预置神经网络对车牌进行识别并结合第三方支付系统进行无感支付，提高了识别准确率，减少车辆的停留时长。
在一种可行的实施方式中，所述车牌高清图像采集模块具体用于：对高清摄像机抓拍到的非车牌图像和倾斜角度较大、污染严重的车牌图像进行清洗，得到所述原始车牌图像。
在一种可行的实施方式中，如图2所示，所述图像预处理模块包括矫正子模块和去噪子模块；所述矫正子模块，用于对所述原始车牌图像中倾斜车牌进行矫正，得到矫正后的车牌图像；所述去噪子模块，用于对所述矫正后的车牌图像中的噪声进行去除。
主要对采集到的一些非车牌图像和严重污染的车牌图像进行清洗，对清洗完的车牌图像输入特征提取模块进行车牌特征信息的定位和提取。
在一种可行的实施方式中，如图3所示，所述车牌检测模块包括第一提取子模块和第二提取子模块，所述第一提取子模块用于提取所述目标车牌图像的颜色特征图像，所述第二提取子模块用于提取所述目标车牌图像的字符特征图像。
在一种可行的实施方式中，所述第一提取子模块具体用于：将所述目标车牌图像的红绿蓝RGB图像转化为色调饱和度明度HSV图像；对所述HSV图像进行二值化处理，得到二值化图像；对所述二值化图像中的空洞区域进行模糊操作，生成闭合的图像；基于目标车牌的长宽比特征和面积特征对所述闭合的图像进行筛选，生成所述目标车牌图像的颜色特征图像。
例如，上述清洗后的目标车牌图像同时输入第一提取子模块(基于颜色特征提取模块)和第二提取子模块(基于字符特征提取模块)。在基于颜色特征模块中先对RGB图像转化为HSV图像，该转换能够保证颜色亮度和色度的相对稳定，根据转换后的颜色信息设定阈值并二值化操作；然后对二值化图像进行形态学闭操作，可对二值化图像中的空洞区域进行模糊操作；最后根据车牌颜色的长宽比和面积对区域进行筛选，保证所检测区域为车牌区域而非其他区域，确定出车牌的颜色区域信息，即颜色特征图像；
在一种可行的实施方式中，所述第二提取子模块具体用于：对所述目标车牌图像进行字符检测，得到所述目标车牌图像中字符图像，所述字符图像包括汉字、字母和数字；对所述字符图像进行二值化处理，得到二值化图像；对所述二值化图像中的空洞区域进行模糊操作，生成闭合的图像；基于目标车牌的长宽比特征和面积特征对所述闭合的图像进行筛选，生成所述目标车牌图像的字符特征图像。
例如，在基于字符特征模块中首先进行字符特征的检测，对字符车牌中汉字、字母、数字进行设置阈值并二值化操作得到二值化图像，并通过形态学闭操作消除二值化图像中的空洞区域；最后根据检测出的车牌字符的长宽特征和面积特征进行筛选，筛选出车牌中的字符区域而非其他字符区域。
在一种可行的实施方式中，所述特征融合模块具体还用于：将所述颜色特征图像确定为背景图像，将所述字符特征图像确定为前景图像；通过特征融合器将所述背景图像和所述前景图像按照预置顺序进行特征融合，生成所述目标车牌的特征信息图像。
例如，对上述筛选后的颜色特征和字符特征信息通过融合模块进行整体车牌信息的融合操作，并将融合后的特征信息图像输入改进的ResNet神经网络模型模块中进行车牌的识别。并将识别结果存储在识别结果存储模块中，同时根据识别结果调用第三方支付模块进行停车费用的支付，支付模块需要提前将车牌号码和支付账号进行一对一的绑定。在完成车牌识别的同时也完成了车费支付，并通过信息推送模块以短信的方式通知车主。整个过程无需人工干预，增加了闸道口的车辆通过率和减少了车辆等待时间，极大的简化了人工操作的繁琐和实现了车辆的智能化管理。
在一种可行的实施方式中，所述车牌特征信息识别模块具体用于：将所述目标车牌的特征信息图像输入到改进的残差ResNet神经网络模型；通过所述改进的残差ResNet神经网络模型对所述目标车牌的特征信息图像进行识别，所述改进的残差ResNet神经网络模型用于减少梯度消失和梯度爆炸；生成识别结果，所述识别结果包括车牌号、车牌类型和车牌颜色。
在一种可行的实施方式中，所述第三方支付模块，还用于将车牌号码和对应的第三方支付账号进行绑定，并且授权所述第三方支付账号的支付权限。
在一种可行的实施方式中，所述用户管理模块，所述信息推送模块，还用于通过所述第三方支付账号向所述目标车牌的车主推送扣费信息。
本发明实施例，解决了传统单一特征信息的不准确和泛化能力差的缺陷，采用基于改进的ResNet神经网络模型最大限度保存原始特征信息的完整性，同时解决了梯度消失和梯度爆炸的问题，简化了学习目标和学习难度，有效提高系统识别效率和系统鲁棒性，进而提高了识别准确率，减少车辆的停留时长。
在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、双绞线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，光盘)、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

Claims (7)

1.一种基于深度学习的车牌识别无感支付系统，其特征在于，包括：
车牌高清图像采集模块、图像预处理模块、车牌检测模块、特征融合模块、车牌特征信息识别模块、识别结果存储模块、第三方支付模块和信息推送模块；
其中，所述车牌高清图像采集模块，用于在道路闸口或车辆管理出入口处获取高清摄像机采集到的原始车牌图像；
所述图像预处理模块，用于从所述原始车牌图像中筛选出符合要求的目标车牌图像；
所述车牌检测模块，用于提取所述目标车牌图像的颜色特征图像和字符特征图像；
所述特征融合模块，用于将所述颜色特征图像和所述字符特征图像融合为所述目标车牌的特征信息图像；
所述车牌特征信息识别模块，用于对所述目标车牌的特征信息图像进行识别，并生成识别结果；
所述识别结果存储模块，用于存储所述识别结果；
所述第三方支付模块，用于根据所述识别结果计算所述目标车牌的缴费金额，并进行无感支付的扣费操作；
所述信息推送模块，用于根据所述缴费金额生成对应的扣费短信，并将所述扣费短信推送给所述目标车牌的车主；
所述车牌高清图像采集模块具体用于：
对高清摄像机抓拍到的非车牌图像和倾斜角度较大、污染严重的车牌图像进行清洗，得到所述原始车牌图像；
所述图像预处理模块包括矫正子模块和去噪子模块；
所述矫正子模块，用于对所述原始车牌图像中倾斜车牌进行矫正，得到矫正后的车牌图像；
所述去噪子模块，用于对所述矫正后的车牌图像中的噪声进行去除；
所述车牌检测模块包括第一提取子模块和第二提取子模块，所述第一提取子模块用于提取所述目标车牌图像的颜色特征图像，所述第二提取子模块用于提取所述目标车牌图像的字符特征图像。
2.根据权利要求1所述的基于深度学习的车牌识别无感支付系统，其特征在于，所述第一提取子模块具体用于：
将所述目标车牌图像的红绿蓝RGB图像转化为色调饱和度明度HSV图像；
对所述HSV图像进行二值化处理，得到二值化图像；
对所述二值化图像中的空洞区域进行模糊操作，生成闭合的图像；
基于目标车牌的长宽比特征和面积特征对所述闭合的图像进行筛选，生成所述目标车牌图像的颜色特征图像。
3.根据权利要求1所述的基于深度学习的车牌识别无感支付系统，其特征在于，所述第二提取子模块具体用于：
对所述目标车牌图像进行字符检测，得到所述目标车牌图像中字符图像，所述字符图像包括汉字、字母和数字；
对所述字符图像进行二值化处理，得到二值化图像；
对所述二值化图像中的空洞区域进行模糊操作，生成闭合的图像；
基于目标车牌的长宽比特征和面积特征对所述闭合的图像进行筛选，生成所述目标车牌图像的字符特征图像。
4.根据权利要求1所述的基于深度学习的车牌识别无感支付系统，其特征在于，所述特征融合模块具体还用于：
将所述颜色特征图像确定为背景图像，将所述字符特征图像确定为前景图像；
通过特征融合器将所述背景图像和所述前景图像按照预置顺序进行特征融合，生成所述目标车牌的特征信息图像。
5.根据权利要求1所述的基于深度学习的车牌识别无感支付系统，其特征在于，所述车牌特征信息识别模块具体用于：
将所述目标车牌的特征信息图像输入到改进的残差ResNet神经网络模型；
通过所述改进的残差ResNet神经网络模型对所述目标车牌的特征信息图像进行识别，所述改进的残差ResNet神经网络模型用于减少梯度消失和梯度爆炸；
生成识别结果，所述识别结果包括车牌号、车牌类型和车牌颜色。
6.根据权利要求1所述的基于深度学习的车牌识别无感支付系统，其特征在于，
所述第三方支付模块，还用于将车牌号码和对应的第三方支付账号进行绑定，并且授权所述第三方支付账号的支付权限。
7.根据权利要求1-6中任一所述的基于深度学习的车牌识别无感支付系统，其特征在于，
所述信息推送模块，还用于通过第三方支付账号向所述目标车牌的车主推送扣费信息。
CN201910915156.5A 2019-09-26 2019-09-26 基于深度学习的车牌识别无感支付系统 Active CN110598704B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910915156.5A CN110598704B (zh) 2019-09-26 2019-09-26 基于深度学习的车牌识别无感支付系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910915156.5A CN110598704B (zh) 2019-09-26 2019-09-26 基于深度学习的车牌识别无感支付系统

Publications (2)

Publication Number Publication Date
CN110598704A CN110598704A (zh) 2019-12-20
CN110598704B true CN110598704B (zh) 2023-04-07

Family

ID=68863630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910915156.5A Active CN110598704B (zh) 2019-09-26 2019-09-26 基于深度学习的车牌识别无感支付系统

Country Status (1)

Country Link
CN (1) CN110598704B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111179442A (zh) * 2019-12-24 2020-05-19 深圳猛犸电动科技有限公司 停车场无感支付方法、装置、系统、终端设备和存储介质
CN116128458B (zh) * 2023-04-12 2024-02-20 华中科技大学同济医学院附属同济医院 用于医院经费卡报账的智能自动审核系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956626A (zh) * 2016-05-12 2016-09-21 成都新舟锐视科技有限公司 基于深度学习的对车牌位置不敏感的车牌识别方法
CN107358443A (zh) * 2017-07-20 2017-11-17 鄢俊 一种基于人体生物及物理特征自动识别无卡结算系统
CN107545239A (zh) * 2017-07-06 2018-01-05 南京理工大学 一种基于车牌识别与车辆特征匹配的套牌检测方法
CN108154149A (zh) * 2017-12-08 2018-06-12 济南中维世纪科技有限公司 基于深度学习网络共享的车牌识别方法
CN108230465A (zh) * 2018-01-26 2018-06-29 深圳卡通新技术有限公司 基于移动终端的闸机快速通行控制方法
CN109558823A (zh) * 2018-11-22 2019-04-02 北京市首都公路发展集团有限公司 一种以图搜图的车辆识别方法及系统

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050044758A1 (en) * 2003-08-29 2005-03-03 Richard Gary P. More readily identifiable license plate
US8577088B2 (en) * 2010-08-05 2013-11-05 Hi-Tech Solutions Ltd. Method and system for collecting information relating to identity parameters of a vehicle
CN104680163A (zh) * 2015-02-10 2015-06-03 柳州市金旭节能科技有限公司 一种车牌识别系统
US20170186317A1 (en) * 2015-12-29 2017-06-29 Tannery Creek Systems Inc. System and Method for Determining Parking Infraction
CN107679531A (zh) * 2017-06-23 2018-02-09 平安科技（深圳）有限公司 基于深度学习的车牌识别方法、装置、设备及存储介质
CN107610252A (zh) * 2017-08-16 2018-01-19 齐鲁交通信息有限公司 基于移动端应用和车牌识别的高速公路通行费移动支付系统及方法
CN107833297A (zh) * 2017-11-10 2018-03-23 郑州云海信息技术有限公司 一种基于公有云的停车无感缴费系统
CN107967817A (zh) * 2017-11-17 2018-04-27 张慧 基于多路摄像头深度学习的停车场智能管理系统及方法
CN108133518A (zh) * 2017-12-05 2018-06-08 爱图瓴（上海）信息科技有限公司 智能停车计费处理方法、服务器及系统
CN108520236A (zh) * 2018-04-09 2018-09-11 迪蒙智慧交通（深圳）有限公司 驶入及驶出车辆信息采集方法、装置及车辆信息处理系统
CN109740442B (zh) * 2018-12-12 2021-05-07 北京字节跳动网络技术有限公司 定位方法、装置、存储介质及电子设备
CN109886268A (zh) * 2019-02-26 2019-06-14 西安文理学院 一种基于深度学习的车牌识别系统
CN109767507A (zh) * 2019-03-01 2019-05-17 河北交通职业技术学院 一种基于电子围栏的高速公路不停车收费支付系统
CN109887112B (zh) * 2019-03-28 2021-05-07 深圳市腾讯计算机系统有限公司 数据处理方法、装置及电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956626A (zh) * 2016-05-12 2016-09-21 成都新舟锐视科技有限公司 基于深度学习的对车牌位置不敏感的车牌识别方法
CN107545239A (zh) * 2017-07-06 2018-01-05 南京理工大学 一种基于车牌识别与车辆特征匹配的套牌检测方法
CN107358443A (zh) * 2017-07-20 2017-11-17 鄢俊 一种基于人体生物及物理特征自动识别无卡结算系统
CN108154149A (zh) * 2017-12-08 2018-06-12 济南中维世纪科技有限公司 基于深度学习网络共享的车牌识别方法
CN108230465A (zh) * 2018-01-26 2018-06-29 深圳卡通新技术有限公司 基于移动终端的闸机快速通行控制方法
CN109558823A (zh) * 2018-11-22 2019-04-02 北京市首都公路发展集团有限公司 一种以图搜图的车辆识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的车牌定位和识别方法;李祥鹏等;《计算机辅助设计与图形学学报》;第31卷(第06期);979-987 *

Also Published As

Publication number Publication date
CN110598704A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
US11734938B2 (en) Methods for mobile image capture of vehicle identification numbers in a non-document
Al-Ghaili et al. Vertical-edge-based car-license-plate detection method
CN106709866B (zh) 证件照去除网格水印的方法及装置、人脸验证方法及装置
CN109508404B (zh) 维修教学视频管理方法、装置、终端设备及存储介质
CN110598704B (zh) 基于深度学习的车牌识别无感支付系统
CN109035446B (zh) 停车场自动收费系统
CN108647563A (zh) 一种车辆定损的方法、装置及设备
CN110163109B (zh) 一种车道线标注方法及装置
CN105320952A (zh) 一种基于ocr的行驶证信息识别方法
CN110378351B (zh) 印章鉴别方法及装置
CN112668640A (zh) 一种文本图像质量评估方法、装置、设备及介质
JP5517410B2 (ja) ナンバープレート認識装置、ナンバープレート認識方法、ナンバープレート認識プログラム
CN112307842B (zh) 用于列车运行监控记录文件匹配的视频识别系统及方法
SP et al. Automatic Number Plate Recognition System for Entry and Exit Management
Tiwari et al. Automatic vehicle number plate recognition system using matlab
Chaithra et al. Monitoring traffic signal violations using ANPR and GSM
CN114841874B (zh) 一种图像处理方法、装置、设备及存储介质
CN114078235A (zh) 基于图像识别的轨道交通费用结算方法和装置
JPH1031797A (ja) 駐車場における車両の特定方法及びそのシステム並びに駐車料金計算方法及びそのシステム
Dandu et al. Vehicular number plate recognition using edge detection and characteristic analysis of national number plates
Chowdhury et al. Projection Profile based Number Plate Localization and Recognition
Kumar Implementation of a Car Number Plate Recognition-based Automated Parking System for Malls
Yuliawati et al. Internet of things for monitoring parking system using optical character recognition
Hsia et al. A High-Performance Videotext Detection Algorithm
Kumar et al. Automated Parking and Fee Generation System Using Image-Based Approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant